應(yīng)用時間序列實驗報告

1、河南工程學(xué)院課程設(shè)計時間序列分析課程設(shè)計學(xué)生姓名學(xué)號：學(xué)院：理學(xué)院專業(yè)班級：專業(yè)課程：時間序列分析課程設(shè)計指導(dǎo)教師：2017年6月2日考核項目考核內(nèi)容得分平時考核（20分）出勤情況、實訓(xùn)態(tài)度、效率；知識掌握情況、基本操作技能、知識應(yīng)用能力、狀取知識能力實驗一（20分）完成此實驗并獲得實驗結(jié)果實驗二（20分）完成此實驗并獲得實驗結(jié)果實驗三（20分）完成此實驗并獲得實驗結(jié)果文檔資料（20分）表達能力、文檔寫作能力和文檔的規(guī)范性總評成績指導(dǎo)教師評語：1. 實驗一澳大利亞常住人口變動分析錯誤!未定義書簽。實驗?zāi)康?錯誤!未定義書簽。實驗原理.錯誤!未定義書簽。實驗內(nèi)容.錯誤!未定義書簽。實驗過程.錯誤

2、!未定義書簽。2. 實驗二我國鐵路貨運量分析錯誤!未定義書簽。實驗?zāi)康?錯誤!未定義書簽。實驗原理.錯誤!未定義書簽。實驗內(nèi)容.錯誤!未定義書簽。實驗過程.錯誤!未定義書簽。3. 實驗三美國月度事故死亡數(shù)據(jù)分析錯誤!未定義書簽。實驗?zāi)康?錯誤!未定義書簽。實驗原理.錯誤!未定義書簽。實驗內(nèi)容.錯誤!未定義書簽。實驗過程.錯誤!未定義書簽。課程設(shè)計體會錯誤!未定義書簽。1 .實驗一澳大利亞常住人口變動分析1971年9月1993年6月澳大利亞常住人口變動(單位：千人)情況如表1-1所示(行數(shù)據(jù))。表1-129496748647117060(1)判斷該序列的平穩(wěn)性與純隨機性。(2)選擇適當模型擬合該

3、序列的發(fā)展。(3)繪制該序列擬合及未來5年預(yù)測序列圖實驗?zāi)康恼莆沼肧AS軟件對數(shù)據(jù)進行相關(guān)性分析，判斷序列的平穩(wěn)性與純隨機性,選擇模型擬合序列發(fā)展。實驗原理（1）平穩(wěn)性檢驗與純隨機性檢驗對序列的平穩(wěn)性檢驗有兩種方法，一種是根據(jù)時序圖和自相關(guān)圖顯示的特征做出判斷的圖檢驗法；另一種是單位根檢驗法。（2）模型識別先對模型進行定階，選出相對最優(yōu)的模型，下一步就是要估計模型中未知參數(shù)的值，以確定模型的口徑，并對擬合好的模型進行顯著性診斷。（3）模型預(yù)測模型擬合好之后，利用該模型對序列進行短期預(yù)測。實驗內(nèi)容（1）判斷該序列的平穩(wěn)性與純隨機性時序圖檢驗，根據(jù)平穩(wěn)時間序列均值、方差為常數(shù)的性質(zhì)，平穩(wěn)序列的時序

4、圖應(yīng)該顯示出該序列始終在一個常識值附近波動，而且波動的范圍有界。如果序列的時序圖顯示該序列有明顯的趨勢性或周期性，那么它通常不是平穩(wěn)序列。對自相關(guān)圖進行檢驗時，可以用SAS系統(tǒng)ARIMAS程中的IDENTIFY語句來做自相關(guān)圖。而單位根檢驗我們用到的是DF檢驗。以1階自回歸序列為例：xt1xt1t該序列的特征方程為：特征根為:當特征根在單位圓內(nèi)時:該序列平穩(wěn)。當特征根在單位圓上或單位圓外時:該序列非平穩(wěn)。對于純隨機性檢驗，既白噪聲檢驗，可以用SAS系統(tǒng)中的IDENTIFY語句來輸出白噪聲檢驗的結(jié)果。(2)選擇適當模型擬合該序列的發(fā)展先對模型進行定階，選出相對最優(yōu)的模型，下一步就是要估計模型中未

5、知參數(shù)的值，以確定模型的口徑，并對擬合好的模型進行顯著性診斷。ARIMA過程的第一步是要IDENTIFY命令對該序列的平穩(wěn)性和純隨機性進行識別，并對平穩(wěn)非白噪序列估計擬合模型的階數(shù)。使用命令如下:procprintdata=example3_20;IDENTIFYVAR=peoplenlag=8minicp=(0:5)q=(0:5);run;(3)繪制該序列擬合及未來5年預(yù)測序列圖模型擬合好之后，利用該模型對序列進行短期預(yù)測。預(yù)測命令如下:forecastlead=5id=timeout=results;run;其中，lead指定預(yù)期數(shù)；id指定時間變量標識；out指定預(yù)測后期的結(jié)果存入某個數(shù)

6、據(jù)集。利用存儲在臨時數(shù)據(jù)集RESULT望的數(shù)據(jù)，我們可以繪制擬合預(yù)測圖，相關(guān)命令如下:procgplotdata=results;plotpeople*time=1forecast*time=2l95*time=3u95*time=3/overlay;symbollc=redi=nonev=star;symbol2c=blacki=joinv=none;symbol3c=greeni=joinv=nonel=32;run;實驗過程按照實驗的過程運行程序，對程序結(jié)果的分析如下：(1)判斷該序列的平穩(wěn)性與純隨機性圖1-11971年9月-1993年6月澳大利亞季度常住人口變動序列時序圖時序圖顯示澳大

7、利亞季度常住人口圍繞在52千人附近隨機波動，沒有明顯趨勢或周期，基本可視為平穩(wěn)模式。AhIinnL叫CDuarldnceCarreIdtlttn-t976&4321131234Sb孑白91號tnError1.OHUfltI11-.的51，I_*l.xlS946BB2切一岫“HII_1*_3I*R7,？汩7方印.2孰脖I(*-I11睥則5099387&9M155sI|».629.”酬(的I|*,J2MJ/碑T13.237m丸鄴1MIi*-(81.靜囂"曜,P如*Ii*J25%的9297T7U9.0MSII-J”一帖1H仃，1graIi*.11-5.522129

8、-,flr|2«Ir*I12.911130J"落I-it.mvK13-dJ序婚M51心I.1*-21.210181,旃心矗In-i+1fM健國-1551仙“-,0a641I-i.e.iavaiid31鼬I.V.1813H17IA*i國la.iinid1H-zf.zrrm-GmHr<iI*，i19.32736-.麒607I-*|F1.1319£SBIr51U.MWft-m血(*|.曾?魯制寸-31641165一475II1I«*|IL13743LIH4*tuv“bl書圖1-2序列自相關(guān)圖自相關(guān)圖顯示該序列的自相關(guān)系數(shù)一直都比較小，始終控制在2倍的標準

9、差范圍以內(nèi)，故認為該序列是平穩(wěn)序列AugmentdiHiticFiiJU0rLUidtRontTqp4Laq°SRh0Pr<RhaTauPr<TauFPr>F2«i!d'Mean-19.511WU.U0V62.7Hli.WM1i4»?974*巾岫-1.53fla117i»SingleMm0TS3W2。巾&鶴1C+12<B0Ofr151.250.0M&1-S4.5百ZU奇$121ks9s.onoruripdiUT，9，820.UUU3<.UUU1u.uunu1r八皿MM構(gòu)dB<.nun227n.m

10、ia圖1-3序列的單位根檢驗結(jié)果根據(jù)第五列、第六列輸出的結(jié)果我們可以判斷，當顯著性水平取時，序列非平穩(wěn)，但當消除線性趨勢之后序列平穩(wěn)。flutfliCflrrplatlonl：ihr>ckFermiteHoH*ToChi-Pr>LagSquareDIChiAqAutocorr&lations"A.1217.W2餐,2g儕12a.0H87-IW50.M1口,畸59-2?4*3，0,007R?rs0.03«fl.W-6,0139,198IMIKhl.112V-u.»l*i.-U.lftJl.U.UU/th皿1圖1-4白噪聲檢驗輸出結(jié)果可以看到延遲6

11、階、12階的檢驗P值均小于，故拒絕原假設(shè)，認為該序列為非白噪聲序列(非純隨機序列)。(2)選擇適當模型擬合該序列的發(fā)展HinlnunInFormationCrite»*ionLagsNA0MA1MA2HA3血4幡5ARGb.0438866.0306296.B68645.9311365.948485,997337flR1B.O82S5160358696-0301465.Q2Q665.07S3526.023711RR26.1298626.074823fi-0355745.9791976,02S0786.酷9939HR36.0299765.9BOS65,98BS96.82676,07362

12、6,0992AR4S9642685.9945836.0232626-酬19276.0688856.092589RK5S.W7D1Z8J出41426.1HV2BS0.142582Errurseriesoodel:ftR(7)Hiniinun)TableUalue=BIC(1,3)-5.9296圖1-5IDENTIFY命令輸出的最小信息量結(jié)果最后一條信息顯示，在自相關(guān)延遲階數(shù)也小于等于5的所有ARMA(pq)模型中，BIC信息量相對于最小的是ARMA1,3)模型ConditionalLractEtirutinnStandardftpproHPardnielErEblLfldLi?ErrurtUdl

13、u?Pi->11|LayLIU53.91H32.9WU17.97<.00010幀1J肌315力小ft.A0731MA1,2-9,25960».136Q-1.玨9.1G262IIA1,3-9,39530I.13AW-2.900.00483HK1,1隊34b蛇U.2眈Ml1.68S.W731圖1-6ESTIMATE命令輸出的未知參數(shù)結(jié)果34.64679832.693618.2398?765,621778.007788ConstantEstiraateUarlanceEstlmatpStdErrorEstinateAICSBCHumberofResiduals*AICandSB

14、Cdonotincludelogdeterminait.圖1-7ESTIMATE命令輸出的擬合統(tǒng)計量結(jié)果inLdgCM-SqudieDFPr >CtiiSqA0.A1?機79%*011l24, as8MHtL W1Ht .mUHB.V31U-B-KJ52*29肌中。的心8。Au luc. Di'reldliun!>SHIMfl.mrfl.fMEPLfHIt-0.M1機aa-Buell黑踹。y iH L flri H-0_ BZ*-b. uei心鴕1t曬n4IW*-0.82ft0.13*CorrelationsoFParameterEstimatesPararieterMUM

15、由1.1MR1.2HA1.3AR1JMU1.9060.073-0.037-D.Q010.D65MA1J0.0731.000-0.7920.7130.853MA1,2-G.037-0.7921.Q0O-fi.7S9-0.593MA1,3-0.001fl.713-fl.763C.599rtRI.10.0650.853-0,593M.5991.000圖1-8ESTIMATE命令輸出的系數(shù)矩陣圖1-9ESTIMATE命令輸出的殘差自相關(guān)檢驗結(jié)果從輸出結(jié)果可以看出由于延遲各階的LB統(tǒng)計量的P值均顯著大于(0.05),所以該擬合模型顯著成立。ModelforuariablepeopleEstimatedM

16、ean53,G1目93fiutoregressiueFactorsFactor1:1-MovingAverageFactorsFactor1:1-©.6235+0.25369+0.3953圖1-10ESTIMATE命令輸出的擬合模型形式該輸出形式等價于:Xt(10.62415B0.253693B0.2953B)t或記為：Xt0.6241510.25369320.29533(3)繪制該序列擬合及未來5年預(yù)測序列圖ObsForecastsForvariablepeopleForecastStdError95怎ConfidenceLimitsS965,379318.289V20.C2981

17、01.12899057.726418.930394.82919147,072419.11*709.545K84.5997925G.953720*831。10-125691.78189352.298321.024111.091893.5047圖1-11FORECAS怖令輸出的5年預(yù)測結(jié)果擬合效果圖如圖1-11：圖1-12擬合效果圖2 .實驗二我國鐵路貨運量分析我國19492008年每年鐵路貨運量（單位：萬噸）數(shù)據(jù)如表2-1所示表2-1年貨運量年貨運量年貨運量1949558919695312019891514891950998319706813219901506811951110831971764

18、711991152893195213217197280873199215762719531613119738311119931627941954192881974787721994163216195519376197588955199516598219562460519768406619961710241957274211977953091997172149195838109197811011919981643091959544101979111893199916755419606721919801112792000178581196144988198110767320011931891962

19、3526119821134952002204956196336418198311878420032242481964417861984124074200424901719654910019851307092005269296196654951198613563520062882241967430891987140653200731423719684209519881449482008330354請選擇適當?shù)哪Ｐ蛿M合該序列，并預(yù)測20092013年我國鐵路貨運量實驗?zāi)康恼莆沼肧AS軟件對數(shù)據(jù)進行相關(guān)性分析，掌握對非平穩(wěn)時間序列的隨機分析，選擇合適模型，擬合序列發(fā)展。實驗原理ARIMA真型的預(yù)測和

20、ARMA®型的預(yù)測方法非常類似。ARIMA(p,d,q)模型的(B) dxt(B) t一般表示方法為:同時可以簡記為:dxt(B)(B) t式中，t為零均值白噪聲序列。我們可以從上式看出，ARIMA真型的實質(zhì)就是差分與ARMA真型的組合，這說明任何非平穩(wěn)序列如果能通過適當階數(shù)的差分實現(xiàn)差分后平穩(wěn)，就可以對差分后序列進行ARMAS型擬合。(1)對差分平穩(wěn)后的序列可以使用ARIMA真型進行擬合，ARIMA建模操作流程如圖2-1所示。獲得觀察值序列實驗內(nèi)容由于ARMA1型是ARIMA真型的一種特例，所以在SAS系統(tǒng)中這兩種模型的擬合都放在ARMAJ程中。先利用時序圖分析模型是否平穩(wěn)，可以運

21、用實驗一的程序來實現(xiàn)。再對該序列進行1階差分運算，同時考慮差分后序列的平穩(wěn)性，添加如下命令：difhuoyunliang=dif(huoyunliang);命令"difhuoyunliang=dif(huoyunliang);"是指令系統(tǒng)對變量進行的1階差分后的序列值賦值給變量difhuoyunliang,其中dif()是差分函數(shù)。利用差分函數(shù)得出平穩(wěn)模型。再對模型進行定階和進行預(yù)測。模型定階：identifyvar=difhuoyunliang(1)nlag=8minicp=(0:5)q=(0:5);模型預(yù)測：forecastlead=5id=time實驗過程(1)判斷序

22、列的平穩(wěn)性huoyunliang4000000300000200000100000JAN1945JAN1950JAN1955JAN1960JAN1965JAN1970JAN1975JAN1980JAN1985JAN1990JAN1995JAN2000JAN2005JAN2010time圖2-2我國19492008年每年鐵路貨運量時序圖通過分析可知，該時序圖有明顯的上升趨勢，所以為非平穩(wěn)序列。在此，對該序列進行1階差分運算。difhuoyunliang3000020000100000-10000-20000-30000JAN1945JAN1950JAN1955JAN1960JAN1965JAN1

23、970JAN1975JAN1980JAN1985JAN1990JAN1995JAN2000JAN2005JAN2010time圖2-31階差分后序列時序圖3E1AutOCOrrelatlofi£StdErrorCcrr<Lrtion12345678單Lo71252593i.oesoa11，B鼻4/4鼻*14*|>.口10.SC5»21m>mi0M13016911J7145W0,16W1.|Telimo研i35260217&CP3S2B|*4.SHCA-27.|*f,11.134715g64400.136791*+0UM77161233450.173

24、11,ii.£L1a56卡耳75¥ly31!f也UbWNJ.j*X0*10165754).142C7。6躬外9-U25iL547.15791*l-fck|i+0.17201210-9W7740+J745211Hs1751410120.054051*,0l175214markstiostandarderrors圖2-41階差分后序列自相關(guān)圖通過分析可知，時序圖顯示差分后序列沒有明顯的非平穩(wěn)特征；自相關(guān)圖顯示序列有很很強的短期相關(guān)性，所以可認為1階差分后序列平穩(wěn)AutocoiTeLat：Qn Ch«ck tor Llhite Noise12ii .tu6 Q.岫U26

25、,12 Q,O0純0,5060.16+ fl.0740 0W-0.143-0.15S0.1120.157-a, die對平穩(wěn)的1階查分序列進行白噪聲檢驗，檢驗結(jié)果如圖o.rs0.054圖2-51階差分后序列白噪聲檢驗?zāi)J顯著性水平為的條件下，由于延遲6階、12階的P值為和，小于，所以該差分后序列不能視為白噪聲序列，即差分后的序列還蘊含著不容忽視的相關(guān)信息可供提取。(2)對平穩(wěn)非白噪聲查分序列進行擬合;inzLruumInfcuTnatiotiCriterion,二 2二 4AR 0 15.C7117AR 1 17.«3337AR 1 17,88963AR 3 17 f 5203AP

26、4 17,9167AR 5 1斡S5普17r®760517.8367317.95466i7.|6251S.02S?41$,國1591-91407 17/95322IS.00067 1S.A5OSS 15.9913 18,1288217,1977(53 17.9W57 18.0632610,11991IS.1543 18,17126is. <12379 18-C3673 19.07117 18.134月 iff.lS+53 18,2397218.07511418.1J390 IB.1711515.23S415,3(W7Erro'niodel:5jMitiimumTable

27、VaWe:BICI1.OJ-17.S3397圖2-6IDENTIFY命令輸出的最小信息量結(jié)果最后一條信息顯示，在自相關(guān)延遲階數(shù)也小于等于5的所有ARMA(p,q)模型中，BIC信息量相對于最小的是ARMA(1,0)模型。考慮到前面已經(jīng)進行的1階差分運算，實際上是用ARIMA(1,1,0)模型擬合原序列LeartSquar'esEitlrnatioriStandard4ppra%；PwrwmeturEtiniciteErrartValuePr>|t|L瞄U518.616.50.005300.51033O.ll5294.51<.06011圖2-7ESTIMATE命令輸出的未知參

28、數(shù)結(jié)果Constant Ect2712,257Vari<tnc«eEsAirrid七室54*815寸StdErcrEstiniete7372,Alt1223255SBC124-,41iJumbcrofResiduals59AltandSBCdoncrtincludelogdeterminant.圖2-8ESTIMATE命令輸出的擬合統(tǒng)計結(jié)果AutdCbj-'reslaticfiCheckofReJMudl王TOLsfichi-0FPr，(hSq一一一施。乩3011b-E3.tl5U.UbO-U.1U1-0.050.Lt4。悵:um103127.13110.7BB10.0

29、740,11-0.W7-0.QI9*0,022O.MAla線也174.V7M|孫心-fl.Ml嘰朽6-&129acwd0.J12?A八機不打(ML60.以西-a009圖2-8ESTIMATE命令輸出的殘差自相關(guān)檢驗結(jié)果顯然，擬合檢驗統(tǒng)計量的P值均顯著大于顯著性水平(0.05),所以可以認為改殘差序列即為白噪聲序列，顯著性檢驗顯示兩參數(shù)均顯著，這說明ARIMA(1,1,0)模型對該序列建模成功。"odelforvriblehuo'LinliiingEstimatedMfran5640*61tiPeriod(吉)ofDiffersicing1iiutoi'egr&

30、#171;ssi.1t?FiictorcFa5m1:1-0.SL<JS3B+*(L1圖2-10ESTIMATE命令輸出的擬合模型形式輸出結(jié)果顯示，序列Xt的擬合模型為ARIMA(1,1,0),模型口徑為:等價記為:1 0.51983Bxt1.5198310.51983(2t利用擬合模型對序列做5期預(yù)測，結(jié)果如圖2-10:Forec由二t專idr-arijblehuoyiinliangCl) 5For'ecPS'td Err'or195*(. corifidencc Liinits3+L444.4L253甘露3&?040.97Ll 36454,0(0 369

31、43-98917372.76 J1斜 W43 1S317.&29 235科.255 27836.917口上的93.亨929WN以59,2928 317210.1143 31440, <5341355554,9323 3金1L日的 M硝膽2 . X94 4C96以弼月 424萄56 H21圖2-112009-2013我國鐵路貨運量預(yù)測3 .實驗三美國月度事故死亡數(shù)據(jù)分析據(jù)美國國家安全委員會統(tǒng)計，19731978年美國月度事故死亡數(shù)據(jù)如表3-1所示。表3-1時間死亡人數(shù)時間死亡人數(shù)時間死亡人數(shù)1973年1月90071975年1月81621977年1月77921973年2月810619

32、75年2月73061977年2月69571973年3月89281975年3月81241977年3月77261973年4月91371975年4月78701977年4月81061973年5月100171975年5月93871977年5月88901973年6月108261975年6月95561977年6月92991973年7月113171975年7月100931977年7月106251973年8月107441975年8月96201977年8月93021973年9月97131975年9月82851977年9月83141973年10月99381975年10月84331977年10月88501973年11

33、月91611975年11月81601977年11月82651973年12月89271975年12月80341977年12月87961974年1月77501976年1月77171978年1月78361974年2月69811976年2月74611978年2月68921974年3月80381976年3月77761978年3月77911974年4月84221976年4月79251978年4月81291974年5月87141976年5月86341978年5月91151974年6月95121976年6月89451978年6月94341974年7月101201976年7月100781978年7月104841

34、974年8月98231976年8月91791978年8月98271974年9月87431976年9月80371978年9月91101974年10月91291976年10月84881978年10月90701974年11月87101976年11月78741978年11月86331974年12月86801976年12月86471978年12月9240請選擇適當模型擬合該序列的發(fā)展實驗?zāi)康恼莆沼肧AS軟件對數(shù)據(jù)進行相關(guān)性分析，掌握對非平穩(wěn)時間序列的隨機分析，選擇合適模型，擬合序列發(fā)展。實驗原理在SAS系統(tǒng)中有一個AUTOREG序，可以進行殘差自相關(guān)回歸模型擬合。殘差自回歸模型的構(gòu)思是首先通過確定性因素

35、分解方法提取序列中主要的確定性信息：xtTtStt(1)式中，T為趨勢效應(yīng)擬合；St為季節(jié)效應(yīng)擬合。考慮到因素分解方法對確定性信息的提取可能不夠充分，因而需要進一步檢驗殘差序列t的自相關(guān)性。如果檢驗結(jié)果顯示殘差序列的自相關(guān)性不顯著說明確定性回歸模型(1)對信息的提取比較充分，可以停止分析。如果檢驗結(jié)果顯示殘差序列的自相關(guān)顯著，說明確定性回歸模型(1)對信息的提取不充分，這時可以考慮對殘差序列擬合自回歸模型，進一步提取相關(guān)信息：t1t1ptpat這樣構(gòu)造的模型:xtTtSttt1t1ptpatE(at)0,Var(at)2,Cov(at,ati)0,i1這就是自回歸模型。實驗內(nèi)容首先建立數(shù)據(jù)集和

36、繪制時序圖參照實驗一，接下來建立因變量關(guān)于時間的回歸模型。主要程序如下：procautoregdata=example4_3;modeldeath=time/dwprob;輸出如下三方面結(jié)果：普通最小二乘估計結(jié)果、回歸誤差分析、最終擬合模型，詳細分析見下面的實驗過程。實驗過程(1)繪制時序圖圖3-119731978年美國月度事故死亡數(shù)據(jù)的時序圖時序圖顯示，有一定規(guī)律性的波動，所以考慮使用誤差自回歸模型擬合該序列的發(fā)展OrdinjrLeastSquaredEstimatesSSE62959332.6DFE70IISE8991J19ROttHSEM8.37705SQC1197-93449AIC11

37、93-3&316R-Squarp必加由弓Total弓Durhin-ILatson0.6026Pr<DU<.0001Pr>DWi.o»as圖3-2序列關(guān)于變量t的線性回歸模型的最小二乘估計結(jié)果輸出結(jié)果顯示，DW統(tǒng)計量的值等于，輸出概率顯示殘差序列顯著正相關(guān)，所以應(yīng)該考慮對殘差序列擬合自相關(guān)模型。(2)建立關(guān)于時間的回歸模型輸出結(jié)果的詳細分析：該部分輸出信息包括誤差平方和(SSE、自由度(DFE、均方誤差(MSE、根號均方誤差(RootMSE、SBC信息量、AIC信息量、回歸部分相關(guān)系數(shù)平方(RegressR-Square)、總的相關(guān)系數(shù)平方(TotalR-Sq

38、uare),DW統(tǒng)計量及所有待估計參數(shù)的自由度、估計值、標準差、t值和t統(tǒng)計量的P值，如圖3-3所示。&fpendfntUari4blF加啟thOrdliidrpLedStEblliidtesSSE”38岫2。5DFE71USE2157553RootHSE172SBC1258*0127HIC1255.796S3HpgrrssR-Squar?0.972tTntdlR-Square0,9726Dllt-bill-WstSIHi黑癡市NOTE:Nointprcpptternisus?d.k-sq|umr電二areredefined.StandaidApproxUdrldtil?DFEstii

39、idleErrurtUdlui?Pr>11|Cime113196。，.皿96bU.24<.U0l»1圖3-3普通最小二乘估計結(jié)果回歸誤差分析：該部分共輸出四個信息：殘差序列自相關(guān)圖、逐步回歸消除的不顯著項報告、初步均方誤差(MSE、自回歸參數(shù)估計值。如圖所示：rstinatesofftutocoirelation5LdyiCnvdrir4HLrCurriHlrition-19fl7654i;i?1i0123Ji5A7S91102137Hh9K0000091I多哥人：*，梅看+11939SB9086D4&91IK*M工U*M*M¥TK*HM12154中段D

40、.F23HH1I-iHai-at4£-s-»-K-x-M-s-ai-safi-13121&352"6&6崢114C-X-M-X-X-K-K4C«M*I*M72180.43847S1II579UGM0.9703781IKVirliiKfeIBACkUArdEllnlntiimofAutvrqresfiueTerosEstlnatetUaluePr>|t|D-»9犯64亂"tf/HZB0.1111970.779.4420n.152?(Mi1,276,觸0JKimLOI0.311115PreliminjrvH$E555

41、B88tstintEEo+nutaregrcssiuePmrmmotRrBstandardLagCctflicientA=H底幅曬LrmrtUalucn.n/i能衲-14(.13圖3-4自回歸誤差分析輸出結(jié)果輸出的殘差序列自相關(guān)圖顯示殘差序列有非常顯著的1階正相關(guān)性。逐步回歸消除報告顯示除了延遲1階的序列值顯著自相關(guān)外，延遲其他階數(shù)的序列值均不具有顯著的自相關(guān)性，因此延遲25階的自相關(guān)項被剔除。最終擬合模型如下圖3-5所示：Algorithmconverged.Mjxinun11kplitinrtlEdnatpqSSE3«280S51.5DFtMISE5182911ROOtH3E71

42、*.92*10SBC1159.70574AIC1155.152MegressRSquare8+7375Tvt«lR-Square0.993CDurbinVatson1.8283NOTE：Nointerceptternisu互。d.R-&quare5/尸rpdleFined+SLdiddrdAptruxUdrlablrDFEstiiidteErrartUlaluePr>|I|tLnr11.8963.106713.96<.DCC1AR11-8.0773.9E63<.D0C1flutor?gresslvppararerersmssump。given,SLdiiil

43、drilApjjruxUdridbleDFEmliWdLtErrorIValueFr>|l|tint11t1j6969,114.02<.0001圖3-5最終擬合模型輸出結(jié)果擬合模型為:Xt1.4896tUti.i.dut0.8757ut1t,t：N0,518294擬合圖如圖3-6圖3-6擬合效果圖課程設(shè)計體會通過一周的實訓(xùn)I,讓我對應(yīng)用時間序列這一門課程有了更深的理解和掌握，讓我從前一段的理論知識學(xué)習(xí)進入到了應(yīng)用與實踐，實踐出真知，平常所學(xué)的理論只有通過實踐，自己動手之后才能真正感覺到知識的樂趣。在整個實驗過程中，所有的代碼都是由我來負責編寫及修改的，同時，我也負責對自己用代碼得出

44、的結(jié)果進行截圖以及進行結(jié)果分析。實驗一要求我們繪制時序圖，判平穩(wěn)、進行純隨機性檢驗、繪制樣本自相關(guān)圖、模型識別以及模型定階。通過觀察時序圖的是否具有明顯的趨勢性或周期性來得出模型是否平穩(wěn)；樣本自相關(guān)圖顯示出來的性質(zhì)可以檢驗我們通過時序圖得出的結(jié)論是否正確，之后的純隨機性檢驗是為了確定平穩(wěn)序列是否值得我們繼續(xù)分析下去；之后進行相對最優(yōu)定階，當然這個定階，只能作為定階參考，因為使用這種方法定階未必比經(jīng)驗定階準確，之后得出擬合模型的具體形式及進行序列預(yù)測。實驗二是建立在實驗一的基礎(chǔ)上來做的，實驗二我們選用的是ARIMA真型來做的，但是與實驗一不同的是，實驗二對模型進行了差分運算，因為差分運算可以將一

45、個非平穩(wěn)序列轉(zhuǎn)化平穩(wěn)序列，之后對差分序列進行ARMA1型擬合，這樣結(jié)合實驗一和實驗二我們便可以得出實驗二模型。實驗三我們選擇的是殘差自回歸模型進行擬合的，通過查閱，我知道了殘差自回歸模型是一種擬合非平穩(wěn)時間序列的方法，它既能提取序列的確定性，,又能提取其隨機性信息，不僅提高了模型的擬合精度，同時也使的結(jié)果變得更實際，也更易解釋。但是在實際操作的過程中，我發(fā)現(xiàn)這個模型擬合確實比其他模型擬合難，以至于自己對得出的結(jié)果都無法肯定對錯。通過三個實驗，只能說讓我初步的了解到了這門課的有意思之處，同時，也讓我對SAS這個軟件有了初步的認知，就比如說在操作過程中一個不顯眼的小字符錯了，程序就會一遍遍的報錯，

46、但是在實際操作過程中，我們又非常容易忽視掉這些，從而導(dǎo)致我們有時候會花費許多時間在這上面。所以我們平常思考問題做事情都要認真嚴謹。當然在整個實訓(xùn)過稱中，要非常感謝老師對我們的教導(dǎo)，通過老師的指導(dǎo)，才能讓我們順利的完成這次實訓(xùn)。為期一周的實訓(xùn)已經(jīng)結(jié)束了，但由于端午節(jié)放假，實訓(xùn)時間就縮短為了3天，所以時間上很緊張。但是我們還是完成了試驗，收獲了很多，一方面學(xué)習(xí)到了以前沒有用過的SAS次件，另一方面把所學(xué)的時間序列分析在實際中得到了應(yīng)用，還有團隊合作能力得到了加強。第一大老師介紹了實訓(xùn)的軟件SAG并講了一些基礎(chǔ)知識和基本的操作步驟，并把時間序列的知識進行了大致的回顧。接下來上機做了一些簡單的練習(xí)，練

47、習(xí)了一下SAS的簡單操作步驟，知道了怎么把數(shù)據(jù)導(dǎo)入數(shù)據(jù)集，接著練習(xí)了第二章的課后習(xí)題，通過輸出的序列的時序圖和序列自相關(guān)圖來判斷該序列的平穩(wěn)性和純隨機性。在這個過程中需要調(diào)試程序，剛開始輸入了課本上的程序，但運行有錯誤，仔細查看不是字母打錯就是缺少標點符號，經(jīng)過幾次不斷地改進，得到了正確的結(jié)果。第二天老師講解了平穩(wěn)性序列的分析，對建模步驟和具體要用到的函數(shù)做了詳細說明，由于是三個人合作完成一份實驗，所以我的工作就是了解整個試驗建模的過程和思想然后編寫文檔，把我隊友軟件輸出的結(jié)果加以分析。這是三個人完成的第一個試驗，所以速度上不是很快。在期間也遇到了很多問題，比如我們對模型的選擇、對結(jié)果的分析都

48、存在爭議，但最后都得到了解決。第三天時間更加的緊張，由于昨天一天做了有個試驗，可是一共有三個試驗，所以在第三天也就是最后一天要完成另外兩個試驗。這兩個試驗是第四章非平穩(wěn)序列的隨機分析，好在有了實驗一的基礎(chǔ)，程序就相對簡單了一些，但我編輯文檔的工作量就很大。在我和隊友交流了經(jīng)過調(diào)試后要選用的模型和結(jié)果分析后我就開始了兩個試驗的文檔編輯工作。期間有對自己所選模型是否是最合適的模型產(chǎn)生過懷疑，但通過和同學(xué)老師的交流得到了解決。最后的一步工作就是對整個文檔的排版，因為去年參見過數(shù)學(xué)建模，所以在排版方面還有一定的基礎(chǔ)，按照實驗報告的格式進行了排版?？偨Y(jié)一下，就我自己而言之前對時間序列這門課的掌握程度還不

49、高，通過實訓(xùn)得到了提高，但平心而論對知識的把握還是不夠完善和系統(tǒng)，希望以后的學(xué)習(xí)中能得到提高。還要感謝老師，對我們完成試驗的幫助和對疑問的解答，老師對我們真的是認真負責，謝謝老師！經(jīng)過一周的學(xué)習(xí)與實踐，應(yīng)用時間序列分析這門科學(xué)讓我受益頗多。首先實踐階段第一個接觸的就是SASa件，在SAS系統(tǒng)中有一個專門進行計量經(jīng)濟與時間序列分析的模塊。同時，由于SAS系統(tǒng)具有全球一流的數(shù)據(jù)倉庫功能，因此在進行海量數(shù)據(jù)的時間序列分析時具有很大的優(yōu)勢。而在學(xué)習(xí)SAS軟件時遇到了不少的障礙，經(jīng)過老師的講解后還是有許多功能不是太了解，導(dǎo)致在進行實踐操作時出了不少的錯誤，后來經(jīng)過咨詢老師解決了問題。在除了學(xué)習(xí)SAS軟件

50、外，我們需要進一步掌握的是時間序列中的一些案例模型。在進行分析時，有許多都用到了ARMA®型，這時我們就需要結(jié)合理論知識與SAS其中擬合序列的發(fā)展，確定并檢驗序列的平穩(wěn)性等等都是需要解決的問題。在解決這些問題時，每一步都是一個需要細心與耐心的過程。當其中任何一處出現(xiàn)小的失誤都會使結(jié)果出現(xiàn)錯誤，進而解決不了該問題?？梢哉f這次實訓(xùn)不僅使我學(xué)到了知識，豐富了經(jīng)驗。也幫助我縮小了實踐和理論的差距。我收獲了很多，一方面學(xué)習(xí)到了許多以前沒學(xué)過的專業(yè)知識與知識的應(yīng)用，另一方面還提高了自己動手的能力。本次實訓(xùn)，是對我能力的進一步鍛煉，也是一種考驗。從中獲得的諸多收獲，也是很可貴的，是非常有意義的。在實訓(xùn)中我學(xué)到了許多新的知識。是一個讓我把書本上的理論知識運用于實踐中的好機會，原來，學(xué)的時候感嘆學(xué)的內(nèi)容太難懂，現(xiàn)在想來，有些其實并不難，關(guān)鍵在于理解。在這次實訓(xùn)中還鍛煉了我其他方面的能力，提高了我的綜合素質(zhì)。首先，它鍛煉了我做實驗的能力，提高了獨立思考問題、自己動手操作的能力，在工作的過程中，復(fù)習(xí)了以前學(xué)習(xí)過的知識，